Cómo crear un Prompt para Analizar Series Temporales en el Copilot de Fabric

João Barros 03 de November de 2026 5 min de lectura

Este tutorial muestra cómo crear un prompt en el Copilot de Fabric para analizar series temporales: detectar tendencia, estacionalidad y anomalías en datos de series temporales. Tener un prompt focalizado facilita explorar patrones, generar visualizaciones y obtener recomendaciones de transformación automáticamente con el Copilot.

Requisitos previos

Cuenta con acceso a Microsoft Fabric y Copilot activado.
Una tabla o Dataset en Fabric con columnas de fecha/hora y valor (p. ej.: Date, Value).
Noches básicas de Power Query/SQL o Notebooks para seguir y aplicar recomendaciones.

Paso 1: Elegir el Dataset y preparar el prompt base en el Copilot

Abre el workspace en Fabric donde está el Dataset. Identifica la tabla con la serie temporal (columna Date y Value). Luego abre el Copilot (por ejemplo en un Notebook, Dataflow o en la interfaz del Copilot donde puedes insertar prompts) y escribe un prompt base que describa la tarea y el formato esperado de respuesta.

Analisa esta série temporal da tabela SalesTimeSeries (colunas: Date, Value).
1) Identifica tendência e sazonalidade.
2) Deteta até 5 anomalias com razões prováveis.
3) Sugere 3 transformações a aplicar (ex.: suavização, decomposição, agregação).
4) Fornece exemplos de código em Python (pandas) e em SQL para calcular a média móvel e detetar anomalias simples.
Retorna resposta estruturada com títulos e blocos de código.

Paso 2: Refinar el prompt para el contexto del Dataset

Mejora el prompt añadiendo contexto: intervalo temporal, frecuencia esperada (diaria, mensual) y si faltan datos. Esto ayuda al Copilot a elegir métodos adecuados (p. ej.: STL para estacionalidad, IQR para outliers).

Analisa a série temporal SalesTimeSeries (Date diário entre 2023-01-01 e 2024-12-31, coluna Value).
Frequência: diária. Pode haver dias com valores em falta.
Executa: decomposição em tendência/sazonalidade/residual (ex.: STL), deteção de anomalias e média móvel 7 dias.
Inclui: 1) resumo descritivo, 2) passos recomendados, 3) código em Python (pandas + statsmodels) e SQL para média móvel e marcação de anomalias.
Mostra exemplos com comentários curtos.

Paso 3: Ejecutar el código sugerido (ejemplo Python)

El Copilot va a sugerir código. Copia el bloque Python a un Notebook en Fabric y ejecútalo. Ejemplo mínimo para media móvil, descomposición y detección simple de anomalías usando z-score:

import pandas as pd
from statsmodels.tsa.seasonal import STL
from scipy import stats

# carregar dados (exemplo: DataFrame df com Date e Value)
df['Date'] = pd.to_datetime(df['Date'])
df = df.set_index('Date').asfreq('D')

df['Value_ffill'] = df['Value'].fillna(method='ffill')
# média móvel 7 dias
df['MA7'] = df['Value_ffill'].rolling(window=7, min_periods=1).mean()
# decomposição STL
stl = STL(df['Value_ffill'], period=7)
res = stl.fit()
df['trend'] = res.trend
df['seasonal'] = res.seasonal
# anomalias via z-score do residual
df['residual'] = res.resid
z = stats.zscore(df['residual'].fillna(0))
df['anomaly'] = (abs(z) > 3)
print(df.tail())

Paso 4: Adaptar la solución para SQL en el Lakehouse o Synapse

Si prefieres ejecutar en SQL, pide al Copilot un ejemplo T-SQL que calcule una media móvil y marque potenciales anomalías por desviación respecto a la media. El Copilot debería devolver una query que use window functions.

SELECT
  Date,
  Value,
  AVG(Value) OVER (ORDER BY Date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) AS MA7,
  Value - AVG(Value) OVER (ORDER BY Date ROWS BETWEEN 6 PRECEDING AND CURRENT ROW) AS Residual
FROM SalesTimeSeries
ORDER BY Date;
-- Para anomalias: pode calcular desvio padrão com window e marcar abs(residual) > 3 * stddev

Paso 5: Hacer el prompt reutilizable y manejar errores comunes

Crea una plantilla de prompt en el Copilot con variables (nombre de la tabla, columna de fecha, frecuencia). Incluye instrucciones para manejar errores comunes: fechas inválidas, datos faltantes, frecuencia inconsistente. Un ejemplo de instrucción adicional:

Se encontrar datas duplicadas, agregue somando os valores. Se faltar más de 10% das datas, avisa e sugiere imputación (ffill ou média).

Verificar el resultado

Confirma que los pasos funcionaron: visualiza el DataFrame con columnas trend, seasonal, MA7 y anomaly; valida que hay anomalías esperadas; verifica que la media móvil sigue la serie sin gaps. En SQL, valida que la columna MA7 y Residual fueron calculadas y que la marcación de anomalías coincide con picos visuales.

Conclusión

Con un prompt bien definido en el Copilot de Fabric puedes automatizar el análisis básico de series temporales, obtener código listo y recomendaciones de transformación. Próximos pasos: pide al Copilot visualizaciones automáticas (matplotlib/plotly) o integra este prompt en una rutina ETL para alertas de anomalía. Consejo: prueba a variar el criterio de anomalía (z-score vs IQR) y pregunta al Copilot para justificar la elección.